Machine Learning: Methoden und Anwendungen

1. Computer Vision in der medizinischen Bildgebung

Die Anwendung dieser Machine-Learning-Technologie im Bereich der medizinischen Bildgebung stellt einen vielversprechenden Fortschritt im globalen Gesundheitswesen dar. Für ein Schweizer MedTech-Unternehmen, das kürzlich die CE-Zertifizierung für Medizinprodukte erhielt, haben wir einen Prozess für maschinelles Lernen eingerichtet und eine regulatorisch konforme Datenplattform sowie Anwendungsfälle für Computer Vision entworfen, implementiert und validiert. 

3. Computer Vision im Bereich Predictive Maintenance

Die frühzeitige Erkennung und Vorhersage des Verschleißes mechanischer Teile ist ein wichtiger Faktor für die rechtzeitige Planung von Wartungsarbeiten. Gemeinsam mit einem Schweizer Verkehrsunternehmen haben wir eine Machine-Learning-Lösung entwickelt, um die Abnutzung von Stromabnehmern von Personenzügen automatisch zu messen. Mithilfe der Segmentierung von Fotos der Züge durch Computer Vision kann unser Algorithmus die Materialabnutzung messen. Dies ermöglicht eine frühzeitige Planung von Wartungsarbeiten und minimiert so Ausfallzeiten. 

1. NLP für elektronische Patientenakten

Elektronische Patientenakten (Electronic Medical Records, EMR) enthalten große Mengen an Informationen über die Krankheitsgeschichte einer Patientin oder eines Patienten. Machine-Learning-Methoden und EMR können zur Vorbeugung von Krankheiten und zur Verbesserung von Behandlungsentscheidungen eingesetzt werden, was den Patientinnen und Patienten zugutekommt. Für einen Schweizer Gesundheitsdienstleister haben wir modernste wiederkehrende Deep-Learning-Modelle (LSTM) zur Klassifizierung von EMR entwickelt, um medizinisches Fachpersonal zu unterstützen und Krankenhausprozesse zu optimieren. 

3. NLP für die Beantwortung von Fragen

Frage-Antwort-Systeme (Question Answering, QA) ermöglichen das Abrufen von Informationen aus großen Wissensbeständen und beantworten automatisch Fragen, die in natürlicher Sprache gestellt werden. Für eine Schweizer Behörde haben wir ein QA-System auf Grundlage modernster, transformerbasierter Deep-Learning-Methoden entwickelt. Mit unserer Lösung können nun häufig gestellte Fragen der Schweizer Bevölkerung schnell und automatisch beantwortet werden, während die Nutzenden durch eine natürliche, dialogbasierte Schnittstelle geführt werden. 

1. Zeitreihen für den Klimawandel

Der Klimawandel ist eine der größten Herausforderungen unserer Zeit. Je breiter unser Spektrum von Lösungen ist, desto größer sind die Erfolgschancen. Maschinelles Lernen wird ein wichtiger Teil dieser Lösung sein, zum Beispiel bei der Verbesserung der Energieerzeugung und -nutzung, der Optimierung des Transport- und Verkehrswesens zur Verringerung von Emissionen, der Verbesserung von Produktionsprozessen zur Abfallvermeidung und der Überwachung von Umwelt- und Klimaentwicklungen generell. 

3. Zeitreihen für erneuerbare Energien

Der Übergang zu erneuerbaren Energien wird dazu beitragen, den Klimawandel abzuschwächen. Für einen Energieversorger haben wir Zeitreihenmodelle zur Vorhersage des Ausfallrisikos von Windturbinen entwickelt. Die Vorhersagen werden auf der Grundlage großer Mengen von Sensorsignalen getroffen, die nahezu in Echtzeit erfasst werden. So können die Servicepartner des Unternehmens proaktiv Wartungsarbeiten durchführen und dadurch maximale Betriebszeiten sowie eine optimale Energieerzeugung gewährleisten. 

1. Regulierte AI für die Einhaltung gesetzlicher Vorschriften

Die Unterstützung von Allgemeinmedizinern bei der Diagnose komplexer Krankheiten kann zu schnelleren und besseren Behandlungen führen, die andernfalls aufgrund von Unterdiagnosen versäumt würden. Auf der Grundlage eines Machine-Learning-Modells aus der Forschungsabteilung eines großen Pharmaunternehmens haben wir ein System entwickelt, das Ärztinnen und Ärzte bei der Differentialdiagnose von Lungenkrankheiten unterstützt. Zu diesem Zweck haben wir das Modell unter Designkontrolle gebracht, um alle behördlichen Anforderungen für eine Validierungsstudie zu erfüllen und die Grundlage für eine FDA-Zulassung zu schaffen. 

3. Regulierte AI in der FemTech-Branche

Die FemTech-Branche hat sich zum Ziel gesetzt, digitale Gesundheitslösungen für Frauen zu entwickeln. Im Mittelpunkt stehen dabei Anwendungen in den Bereichen Fruchtbarkeit und Menstruationskontrolle, Schwangerschaft, sexuelles Wohlbefinden und Wechseljahre. Wir haben AVA Women dabei unterstützt, die Funktionalität ihres Fruchtbarkeitstrackers auf weitere Indikationen zu erweitern. Dadurch wurde das medizintechnische Wearable in eine höhere Risikoklasse eingestuft. Die Prozesse zur Entwicklung der Machine-Learning-Modelle wurden von uns überprüft und verbessert. Infolgedessen erfüllt AVA nun die regulatorischen Anforderungen und erhielt die FDA-Zulassung für den 510(k)-Antrag. 

Entdecken Sie Machine-Learning-Methoden und Anwendungsfälle mit Zühlke 

Der Austausch und die Anwendung von Daten sind unerlässlich, um bestmöglich von den sich bietenden Chancen zu profitieren und die größten Herausforderungen unserer Zeit zu bewältigen. Komplexe Datensilos, mangelhafte Datenqualität und regulatorische Bürokratie stehen dem jedoch oftmals im Weg. 
 
Unsere Teams unterstützen Sie dabei, gemeinsam mit verschiedenen Partnern bessere, innovative Lösungen zu entwickeln – auf der Grundlage von Offenheit, Transparenz, Zugänglichkeit und effektiver Governance. Wir entwickeln und skalieren Systeme auf ethische, verantwortungsvolle und nachhaltige Weise und sind führend im Bereich menschenzentrierte, interpretierbare und erklärbare AI.  
 
Sie möchten mehr darüber erfahren, wie auch Ihr Unternehmen von AI-Lösungen profitieren kann? Wir beraten Sie gerne. Setzen Sie sich mit uns in Verbindung, um weitere Informationen rund um die ethische und verantwortungsvolle Entwicklung, Validierung und Operationalisierung von Machine-Learning-Use-Cases zu erhalten.